[发明专利]一种结合静态底层特征和运动信息的快速行人检测方法

说明书

本发明公开了一种结合静态底层特征和运动信息的快速行人检测方法，针对待检测的视频序列中的单一图像帧，采用多尺度滑动窗口法提取其中指定大小的检测窗口，并采用快速金字塔特征计算方法计算每个检测窗口内图像的静态底层特征，静态底层特征包括方向梯度、梯度幅值和颜色通道，基于各个检测窗口内图像的静态底层特征对各个检测窗口进行行人与非行人预分类；利用行人特有的移动速度特征，通过检测窗口像素差均值法，去除预分类中误检为行人的检测窗口，最终检测为行人的检测窗口在图像中的位置即该图像帧中的行人的位置。本发明能在降低误检率的同时提高检测的准确性。

技术领域

本发明属于一种在智能视频监控中基于行人静态底层特征并结合行人运动特征的行人检测方法。

背景技术

行人检测和跟踪技术是机器视觉研究中的一个重要内容，已在涉及人们生活的多个领域发挥作用。依托先进的行人检测技术，监控视频在智能存储、智能检索、行为分析等方面取得了较大突破，从而大幅度降低监控系统建设成本，并节约大量的安保人力资源。实时行人检测使安防监控系统能及时提醒安保人员注意监控区域出现的可疑人员、并帮助安保人员快速定位、跟踪犯罪嫌疑人员。智能视频监控系统还可通过分析室内行走人员在监控区域的出现规律、异常动作及时对被看护的老人和小孩预警。此外行人检测技术对公共场所的拥堵人群行为分析也发挥着极其重要的作用。

近几年，围绕提高检测正确率和检测速度两个目标，行人检测技术取得了重大进步。根据图像或视频序列中行人目标特有的时空特征，行人检测可划分为三大类。第一类是基于静态图像或单帧图像进行行人特征抽取的检测方法。这类方法又包含静态底层特征抽取和静态高层特征抽取两个子类。Sakrapee等基于空域池抽取多尺度分块协方差和LBP两类静态特征，并采用结构化的集成学习方法进行行人检测。图像空域池特征具有平移不变性，并对噪声具有良好的鲁棒性，适合于稀疏编码的通用图像分类。该行人检测方法在Caltech数据库上将平均误检率将低至21％，检测速率为0.12帧每秒(fps)。Wan[8]等利用分层卷积神经网络将特征提取、形变处理、遮挡处理和分类这四个通常被分别处理的关键步骤融合在一个整体的深度学习框架内，先进行整体特征提取，后进行行人部件检测和部件特征映射，该方法在Caltech数据库上平均误检率为29％。但通过多层卷积运算提取高层行人检测特征存在耗时长、占用内存资源大的缺点，难以实现行人实时检测。Cao等根据行人躯干部分表观的一致性和轮廓的左右对称性，手工定制底层行人检测特征。在Caltech数据库上，针对高度超过100像素的近似正面行人图像的误检率降低至17％，检测速率为1.15fps。第二类行人检测方法基于视频序列，通过相邻帧或连续多帧图像提取行人运动特征，达到行人检测目的。Liang等通过背景减除，采用轮廓投影和卡尔曼滤波获取运动目标，再提取运动目标的梯度幅值和方向梯度直方图，同时实现行人、汽车、摩托车和自行车四类物体分类。Walk等采用改进的光流直方图法，利用行人运动信息、并结合梯度、颜色自对称性等表观特征，极大地提高行人检测准确率。第三类行人检测方法是融合静态特征和运动特征的方法。Zhang等组合多种静态底层特征提取方法和光流运动特征提取方法，形成一个含80个特征滤波器的滤波器组，并将滤波器组与多层决策树相结合，构建统一的行人检测框架。

上述行人检测算法在降低误检率或提高行人检测速度方面都取得良好表现，但鲜有算法在两个方面同时改进。基于静态特征的行人检测算法应用于与训练场景不相符合的特定场景时，正确检测率快速下降，误检率快速上升。误检的主要原因是静态图像中灰度特征分布和轮廓形状类似直立行人的物体被检测为行人。基于运动特征进行行人检测时，若采用背景减除进行运动目标检测，由于背景减除法对亮度变化和无序场景很敏感，并且当行人着装颜色与背景颜色近似，背景减除法会造成大量的误分割,即一个行人运动区域被割裂成不联通的几个区域，从而导致行人误检和漏检；若采用光流特征，由于光流法采用迭代方法计算光流场，耗时长，难实现实时行人检测，且光流法对噪声、光照敏感，不适用低质量图像下的行人检测。

因此，有必要设计一种能同时降低误检率或提高行人检测速度的行人检测算法。

发明内容